Chinese translation (#1468)

New translations (Chinese Simplified) for v1.0

Chinese translation (#1468)
New translations (Chinese Simplified) for v1.0
796f0b6d · Chi Song · Guoxin · c481e86d · 796f0b6d · 796f0b6d
Commit 796f0b6d authored Aug 30, 2019 by Chi Song Committed by Guoxin Aug 30, 2019
11 changed files
--- a/README_zh_CN.md
+++ b/README_zh_CN.md
@@ -19,8 +19,10 @@ NNI (Neural Network Intelligence) 是自动机器学习（AutoML）的工具包
 <table>
  <tbody>
    <tr align="center" valign="bottom">
+    <td>
+      </td>
      <td>
-        <b>支持的框架</b>
+        <b>框架和库</b>
        <img src="docs/img/bar.png"/>
      </td>
      <td>
@@ -34,26 +36,52 @@ NNI (Neural Network Intelligence) 是自动机器学习（AutoML）的工具包
    </tr>
    </tr>
    <tr valign="top">
+    <td align="center" valign="middle">
+    <b>内置</b>
+      </td>
      <td>
+      <ul><li><b>支持的框架</b></li>
        <ul>
          <li>PyTorch</li>
-          <li>TensorFlow</li>
          <li>Keras</li>
+          <li>TensorFlow</li>
          <li>MXNet</li>
          <li>Caffe2</li>
-          <li>CNTK (Python 语言)</li>
+          <a href="docs/zh_CN/SupportedFramework_Library.md">更多...</a><br/>
-          <li>Chainer</li>
+        </ul>
-          <li>Theano</li>
+        </ul>
+      <ul>
+        <li><b>支持的库</b></li>
+          <ul>
+           <li>Scikit-learn</li>
+           <li>XGBoost</li>
+           <li>LightGBM</li>
+           <a href="docs/zh_CN/SupportedFramework_Library.md">更多...</a><br/>
+          </ul>
+      </ul>
+        <ul>
+        <li><b>示例</b></li>
+         <ul>
+           <li><a href="examples/trials/mnist-distributed-pytorch">MNIST-pytorch</li></a>
+           <li><a href="examples/trials/mnist-distributed">MNIST-tensorflow</li></a>
+           <li><a href="examples/trials/mnist-keras">MNIST-keras</li></a>
+           <li><a href="docs/zh_CN/TrialExample/GbdtExample.md">Auto-gbdt</a></li>
+           <li><a href="docs/zh_CN/TrialExample/Cifar10Examples.md">Cifar10-pytorch</li></a>
+           <li><a href="docs/zh_CN/TrialExample/SklearnExamples.md">Scikit-learn</a></li>
+              <a href="docs/zh_CN/SupportedFramework_Library.md">更多...</a><br/>
+          </ul>
        </ul>
      </td>
-      <td align="left">
+      <td align="left" >
        <a href="docs/zh_CN/Tuner/BuiltinTuner.md">Tuner（调参器）</a>
-        <br />
        <ul>
-          <b style="margin-left:-20px">通用 Tuner</b>
+          <li><b>通用 Tuner</b></li>
+          <ul>
          <li><a href="docs/zh_CN/Tuner/BuiltinTuner.md#Random">Random Search（随机搜索）</a></li>
-          <li><a href="docs/zh_CN/Tuner/BuiltinTuner.md#Evolution">Naïve Evolution（进化算法）</a></li>    
+          <li><a href="docs/zh_CN/Tuner/BuiltinTuner.md#Evolution">Naïve Evolution（朴素进化）</a></li>
-          <b style="margin-left:-20px">超参 Tuner</b>
+          </ul>    
+          <li><b><a href="docs/zh_CN/CommunitySharings/HpoComparision.md">超参调优</a> Tuner</b></li>
+          <ul>
          <li><a href="docs/zh_CN/Tuner/BuiltinTuner.md#TPE">TPE</a></li>
          <li><a href="docs/zh_CN/Tuner/BuiltinTuner.md#Anneal">Anneal（退火算法）</a></li>
          <li><a href="docs/zh_CN/Tuner/BuiltinTuner.md#SMAC">SMAC</a></li>
@@ -63,14 +91,19 @@ NNI (Neural Network Intelligence) 是自动机器学习（AutoML）的工具包
          <li><a href="docs/zh_CN/Tuner/BuiltinTuner.md#MetisTuner">Metis Tuner</a></li>
          <li><a href="docs/zh_CN/Tuner/BuiltinTuner.md#BOHB">BOHB</a></li>
          <li><a href="docs/zh_CN/Tuner/BuiltinTuner.md#GPTuner">GP Tuner</a></li>
-          <b style="margin-left:-20px">网络结构 Tuner</b>
+          </ul>
+          <li><b><a href="docs/zh_CN/CommunitySharings/NasComparision.md">网络结构搜索</a> Tuner</b></li>
+          <ul>
          <li><a href="docs/zh_CN/Tuner/BuiltinTuner.md#NetworkMorphism">Network Morphism</a></li>
-          <li><a href="examples/tuners/enas_nni/README.md">ENAS</a></li>
+          <li><a href="examples/tuners/enas_nni/README_zh_CN.md">ENAS</a></li>
          </ul>
+        </ul>
          <a href="docs/zh_CN/Assessor/BuiltinAssessor.md">Assessor（评估器）</a>
          <ul>
+          <ul>
          <li><a href="docs/zh_CN/Assessor/BuiltinAssessor.md#Medianstop">Median Stop（中位数终止）</a></li>
          <li><a href="docs/zh_CN/Assessor/BuiltinAssessor.md#Curvefitting">Curve Fitting（曲线拟合）</a></li>   
+          </ul>
          </ul>  
      </td>
      <td>
@@ -85,6 +118,33 @@ NNI (Neural Network Intelligence) 是自动机器学习（AutoML）的工具包
      </ul>
      </td>
    </tr> 
+      <tr align="center" valign="bottom">
+      </td>
+      </tr>
+      <tr valign="top">
+       <td valign="middle">
+    <b>参考</b>
+      </td>
+     <td style="border-top:#FF0000 solid 0px;">
+      <ul>
+        <li><a href="docs/zh_CN/sdk_reference.rst">Python API</a></li>
+        <li><a href="docs/zh_CN/Tutorial/AnnotationSpec.md">NNI Annotation</a></li>
+         <li><a href="docs/zh_CN/Tutorial/Installation.md">支持的操作系统</a></li>
+      </ul>
+      </td>
+       <td style="border-top:#FF0000 solid 0px;">
+      <ul>
+        <li><a href="docs/zh_CN/Tuner/CustomizeTuner.md">自定义 Tuner</a></li>
+        <li><a href="docs/zh_CN/Assessor/CustomizeAssessor.md">自定义 Assessor</a></li>
+      </ul>
+      </td>
+        <td style="border-top:#FF0000 solid 0px;">
+      <ul>
+        <li><a href="docs/zh_CN/TrainingService/SupportTrainingService.md">支持训练平台</li>
+        <li><a href="docs/zh_CN/TrainingService/HowToImplementTrainingService.md">实现训练平台</a></li>
+      </ul>
+      </td>     
+    </tr> 
  </tbody>
 </table>
@@ -227,48 +287,50 @@ You can use these commands to get more information about the experiment
 * [NNI 概述](docs/zh_CN/Overview.md)
 * [快速入门](docs/zh_CN/Tutorial/QuickStart.md)
-* [贡献](docs/zh_CN/Tutorial/Contributing.md)
-* [示例](docs/zh_CN/examples.rst)
-* [参考](docs/zh_CN/reference.rst)
 * [Web 界面教程](docs/zh_CN/Tutorial/WebUI.md)
+* [贡献](docs/zh_CN/Tutorial/Contributing.md)
 ## **入门**
 * [安装 NNI](docs/zh_CN/Tutorial/Installation.md)
 * [使用命令行工具 nnictl](docs/zh_CN/Tutorial/Nnictl.md)
-* [使用 NNIBoard](docs/zh_CN/Tutorial/WebUI.md)
+* [实现 Trial](docs/zh_CN/TrialExample/Trials.md)
-* [如何定义搜索空间](docs/zh_CN/Tutorial/SearchSpaceSpec.md)
-* [如何实现 Trial 代码](docs/zh_CN/TrialExample/Trials.md)
-* [如何选择 Tuner、搜索算法](docs/zh_CN/Tuner/BuiltinTuner.md)
 * [配置 Experiment](docs/zh_CN/Tutorial/ExperimentConfig.md)
-* [如何使用 Annotation](docs/zh_CN/TrialExample/Trials.md#nni-python-annotation)
+* [定制搜索空间](docs/zh_CN/Tutorial/SearchSpaceSpec.md)
+* [选择 Tuner、搜索算法](docs/zh_CN/Tuner/BuiltinTuner.md)
+* [使用 Annotation](docs/zh_CN/TrialExample/Trials.md#nni-python-annotation)
+* [使用 NNIBoard](docs/zh_CN/Tutorial/WebUI.md)
 ## **教程**
+* [在本机运行 Experiment (支持多 GPU 卡)](docs/zh_CN/TrainingService/LocalMode.md)
 * [在 OpenPAI 上运行 Experiment](docs/zh_CN/TrainingService/PaiMode.md)
 * [在 Kubeflow 上运行 Experiment](docs/zh_CN/TrainingService/KubeflowMode.md)
-* [在本机运行 Experiment (支持多 GPU 卡)](docs/zh_CN/TrainingService/LocalMode.md)
 * [在多机上运行 Experiment](docs/zh_CN/TrainingService/RemoteMachineMode.md)
 * [尝试不同的 Tuner](docs/zh_CN/Tuner/BuiltinTuner.md)
 * [尝试不同的 Assessor](docs/zh_CN/Assessor/BuiltinAssessor.md)
 * [实现自定义 Tuner](docs/zh_CN/Tuner/CustomizeTuner.md)
 * [实现自定义 Assessor](docs/zh_CN/Assessor/CustomizeAssessor.md)
+* [实现 NNI 训练平台](docs/zh_CN/TrainingService/HowToImplementTrainingService.md)
 * [使用进化算法为阅读理解任务找到好模型](docs/zh_CN/TrialExample/SquadEvolutionExamples.md)
+* [高级神经网络架构搜索](docs/zh_CN/AdvancedFeature/AdvancedNas.md)
 ## **贡献**
 非常欢迎通过各种方式参与此项目，例如：
-* 审查[源代码改动](https://github.com/microsoft/nni/pulls)
+* [报告 Bug](https://github.com/microsoft/nni/issues/new/choose)。
-* 审查[文档](https://github.com/microsoft/nni/tree/master/docs)中从拼写错误到新内容的任何内容，并提交拉取请求。
+* [请求新功能](https://github.com/microsoft/nni/issues/new/choose).
+* 建议或询问[如何调试](docs/zh_CN/Tutorial/HowToDebug.md)文档相关的问题。
 * 找到标有 ['good first issue'](https://github.com/Microsoft/nni/issues?q=is%3Aissue+is%3Aopen+label%3A%22good+first+issue%22) 或 ['help-wanted'](https://github.com/microsoft/nni/issues?q=is%3Aopen+is%3Aissue+label%3A%22help+wanted%22) 标签的 Issue。这些都是简单的 Issue，新的贡献者可以从这些问题开始。
-在提交代码前，需要遵循以下的简单准则：
+在编写代码前，可以先看看[贡献指南](docs/zh_CN/Tutorial/Contributing.md)来了解更多信息。 此外，还提供了以下文档：
+* [NNI 开发环境安装教程](docs/zh_CN/Tutorial/SetupNniDeveloperEnvironment.md)
 * [如何调试](docs/zh_CN/Tutorial/HowToDebug.md)
-* [代码风格和命名约定](docs/zh_CN/Tutorial/Contributing.md)
+* [自定义 Advisor](docs/zh_CN/Tuner/CustomizeAdvisor.md)
-* 如何设置 [NNI 开发环境](docs/zh_CN/Tutorial/SetupNniDeveloperEnvironment.md)
+* [自定义 Tuner](docs/zh_CN/Tuner/CustomizeTuner.md)
-* 查看[贡献说明](docs/zh_CN/Tutorial/Contributing.md)并熟悉 NNI 的代码贡献指南
+* [实现定制的训练平台](docs/zh_CN/TrainingService/HowToImplementTrainingService.md)
 ## **外部代码库**
@@ -276,15 +338,13 @@ You can use these commands to get more information about the experiment
 * 在 NNI 中运行 [ENAS](examples/tuners/enas_nni/README_zh_CN.md)
 * 在 NNI 中运行 [神经网络架构结构搜索](examples/trials/nas_cifar10/README_zh_CN.md) 
+* [NNI 中的自动特征工程](examples/trials/auto-feature-engineering/README_zh_CN.md)
 ## **反馈**
-* [报告 Bug](https://github.com/microsoft/nni/issues/new/choose)。  
-* [请求新功能](https://github.com/microsoft/nni/issues/new/choose).
 * 在 [Gitter](https://gitter.im/Microsoft/nni?utm_source=badge&utm_medium=badge&utm_campaign=pr-badge&utm_content=badge) 中参与讨论
-* 在 [Stack Overflow](https://stackoverflow.com/questions/tagged/nni?sort=Newest&edited=true) 上使用 nni 的标签提问，或[在 Github 上提交 Issue](https://github.com/microsoft/nni/issues/new/choose)。
+* 在 [Stack Overflow](https://stackoverflow.com/questions/tagged/nni?sort=Newest&edited=true) 上使用 NNI 标签提问
-* 我们正在实现[如何调试](docs/zh_CN/Tutorial/HowToDebug.md)的页面，欢迎提交建议和问题。
+* [在 GitHub 上提交问题](https://github.com/microsoft/nni/issues/new/choose)。
 ## **许可协议**

--- a/docs/zh_CN/AdvancedFeature/GeneralNasInterfaces.md
+++ b/docs/zh_CN/AdvancedFeature/GeneralNasInterfaces.md
@@ -125,7 +125,7 @@ for _ in range(num):
 ***oneshot_mode***: 遵循[论文](http://proceedings.mlr.press/v80/bender18a/bender18a.pdf)中的训练方法。 与 enas_mode 通过训练大量子图来训练全图有所不同，oneshot_mode 中构建了全图，并将 dropout 添加到候选的输入以及候选的输出操作中。 然后像其它深度学习模型一样进行训练。 [详细说明](#OneshotMode)。 （当前仅支持 TensorFlow）。
-要使用 oneshot_mode，需要在配置的 `trial` 部分增加如下字段。 此模式不需要 Tuner，因此不用在配置文件中指定 Tuner。 （注意，当前仍然需要在配置文件中指定任一一个 Tuner。）此模式下也不需要添加 `nni.training_update`，因为在训练过程中不需要特别的更新过程。
+要使用 oneshot_mode，需要在配置的 `trial` 部分增加如下字段。 在此模式中，不需要使用 Tuner，只需要在配置文件中添加任意一个Tuner。 此外，也不需要增加 `nni.training_update`，因为在训练过程中不需要更新。
 ```diff
 trial:
@@ -139,7 +139,7 @@ trial:
 ***darts_mode***: 参考 [论文](https://arxiv.org/abs/1806.09055)中的训练方法。 与 oneshot_mode 类似。 有两个不同之处，首先 darts_mode 只将架构权重添加到候选操作的输出中，另外是交错的来训练模型权重和架构权重。 [详细说明](#DartsMode)。
-要使用 darts_mode，需要在配置的 `trial` 部分增加如下字段。 此模式不需要 Tuner，因此不用在配置文件中指定 Tuner。 （注意，当前仍需要在配置文件中指定任意一个 Tuner。）
+要使用 darts_mode，需要在配置的 `trial` 部分增加如下字段。 在此模式中，不需要使用 Tuner，只需要在配置文件中添加任意一个Tuner。
 ```diff
 trial:
@@ -166,9 +166,9 @@ for _ in range(num):
 ### enas_mode
-在 enas_mode 中，编译后的 Trial 代码会构建完整的图形（而不是子图），会接收所选择的架构，并在完整的图形上对此体系结构进行小型的批处理训练，然后再请求另一个架构。 它通过 [NNI 多阶段 Experiment](./multiPhase.md) 来支持。
+在 enas_mode 中，编译后的 Trial 代码会构建完整的图形（而不是子图），会接收所选择的架构，并在完整的图形上对此体系结构进行小型的批处理训练，然后再请求另一个架构。 通过 [NNI 多阶段 Experiment](./MultiPhase.md) 来支持。
-具体来说，使用 TensorFlow 的 Trial，通过 TensorFlow 变量来作为信号，并使用 TensorFlow 的条件函数来控制搜索空间（全图）来提高灵活性。这意味着根据这些信号，可以变为不同的多个子图。 [这是 enas_mode]() 的示例。
+具体来说，使用 TensorFlow 的 Trial，通过 TensorFlow 变量来作为信号，并使用 TensorFlow 的条件函数来控制搜索空间（全图）来提高灵活性。这意味着根据这些信号，可以变为不同的多个子图。 [这里](https://github.com/microsoft/nni/tree/master/examples/trials/mnist-nas/enas_mode)是 enas_mode 的示例。
 <a name="OneshotMode"></a>
@@ -178,7 +178,7 @@ for _ in range(num):
 ![](../../img/oneshot_mode.png)
-如[论文](http://proceedings.mlr.press/v80/bender18a/bender18a.pdf)中的建议，应该为每层的输入实现 Dropout 方法。 当 0 < r < 1 是模型超参的取值范围（默认值为 0.01），k 是某层可选超参的数量，Dropout 比率设为 r^(1/k)。 fan-in 越高，每个输入被丢弃的可能性越大。 但某层丢弃所有可选输入的概率是常数，与 fan-in 无关。 假设 r = 0.05。 如果某层有 k = 2 个可选的输入，每个输入都会以独立的 0.051/2 ≈ 0.22 的概率被丢弃，也就是说有 0.78 的概率被保留。 如果某层有 k = 7 个可选的输入，每个输入都会以独立的 0.051/7 ≈ 0.65 的概率被丢弃，也就是说有 0.35 的概率被保留。 在这两种情况下，丢弃所有可选输入的概率是 5%。 候选操作的输出会通过同样的方法被丢弃。 [这里]()是 oneshot_mode 的示例。
+如[论文](http://proceedings.mlr.press/v80/bender18a/bender18a.pdf)中的建议，应该为每层的输入实现 Dropout 方法。 当 0 < r < 1 是模型超参的取值范围（默认值为 0.01），k 是某层可选超参的数量，Dropout 比率设为 r^(1/k)。 fan-in 越高，每个输入被丢弃的可能性越大。 但某层丢弃所有可选输入的概率是常数，与 fan-in 无关。 假设 r = 0.05。 如果某层有 k = 2 个可选的输入，每个输入都会以独立的 0.051/2 ≈ 0.22 的概率被丢弃，也就是说有 0.78 的概率被保留。 如果某层有 k = 7 个可选的输入，每个输入都会以独立的 0.051/7 ≈ 0.65 的概率被丢弃，也就是说有 0.35 的概率被保留。 在这两种情况下，丢弃所有可选输入的概率是 5%。 候选操作的输出会通过同样的方法被丢弃。 [这里](https://github.com/microsoft/nni/tree/master/examples/trials/mnist-nas/oneshot_mode)是 oneshot_mode 的示例。
 <a name="DartsMode"></a>
@@ -188,7 +188,7 @@ for _ in range(num):
 ![](../../img/darts_mode.png)
-在 `nni.training_update` 中，TensorFlow 的 MomentumOptimizer 通过传递的 `loss` 和 `feed_dict` 来训练架构权重。 [这是 darts_mode]() 的示例。
+在 `nni.training_update` 中，TensorFlow 的 MomentumOptimizer 通过传递的 `loss` 和 `feed_dict` 来训练架构权重。 [这里](https://github.com/microsoft/nni/tree/master/examples/trials/mnist-nas/darts_mode)是 darts_mode 的示例。
 ### [**待实现**] One-Shot NAS 的多 Trial 任务。

--- a/docs/zh_CN/CommunitySharings/HpoComparision.md
+++ b/docs/zh_CN/CommunitySharings/HpoComparision.md
@@ -2,7 +2,7 @@
 *匿名作者*
-超参优化算法在几个问题上的对比。
+超参优化算法（HPO）在几个问题上的对比。
 超参数优化算法如下：

--- a/docs/zh_CN/SupportedFramework_Library.md
+++ b/docs/zh_CN/SupportedFramework_Library.md
+# 框架和库的支持
+通过内置的 Python API，NNI 天然支持所有 Python (` 版本 >= 3.5`) 语言的 AI 框架，可使用所有超参调优和神经网络搜索算法。 NNI 还为常见场景提供了一些示例和教程，使上手更容易。
+## 支持的 AI 框架
+* **[PyTorch]** https://github.com/pytorch/pytorch
+* [MNIST-pytorch](../../examples/trials/mnist-distributed-pytorch)  
+* [CIFAR-10](TrialExample/Cifar10Examples.md)  
+* [TGS salt identification chanllenge](../../examples/trials/kaggle-tgs-salt/README.md)  
+* [Network morphism](../../examples/trials/network_morphism/README_zh_CN.md)  
+* **[TensorFlow]** https://github.com/tensorflow/tensorflow
+* [MNIST-tensorflow](../../examples/trials/mnist-distributed)  
+* [Squad](../../examples/trials/ga_squad/README_zh_CN.md)  
+* **[Keras]** https://github.com/keras-team/keras
+* [MNIST-keras](../../examples/trials/mnist-keras)  
+* [Network morphism](../../examples/trials/network_morphism/README_zh_CN.md)  
+* **[MXNet]** https://github.com/apache/incubator-mxnet
+* **[Caffe2]** https://github.com/BVLC/caffe
+* **[CNTK (Python 语言)]** https://github.com/microsoft/CNTK
+* **[Spark MLlib]** http://spark.apache.org/mllib/
+* **[Chainer]** https://chainer.org/
+* **[Theano]** https://pypi.org/project/Theano/   
+如果能[贡献更多示例](Tutorial/Contributing.md)，会对其他 NNI 用户有很大的帮助。
+## 支持的库
+NNI 也支持其它 Python 库，包括一些基于 GBDT 的算法：XGBoost, CatBoost 以及 lightGBM。
+* **[Scikit-learn]** https://scikit-learn.org/stable/
+* [Scikit-learn](TrialExample/SklearnExamples.md)  
+* **[XGBoost]** https://xgboost.readthedocs.io/en/latest/
+* **[CatBoost]** https://catboost.ai/
+* **[LightGBM]** https://lightgbm.readthedocs.io/en/latest/
+* [Auto-gbdt](TrialExample/GbdtExample.md)  
+这只是 NNI 支持的一小部分库。 如果对 NNI 感兴趣，可参考[教程](TrialExample/Trials.md)来继续学习。
+除了这些案例，也欢迎更多的用户将 NNI 应用到自己的工作中，如果有任何疑问，请参考[实现 Trial](TrialExample/Trials.md)。 如果想成为 NNI 的贡献者，无论是分享示例，还是实现 Tuner 或其它内容，我们都非常期待您的参与。更多信息请[参考这里](Tutorial/Contributing.md)。
\ No newline at end of file
--- a/docs/zh_CN/TrainingService/LocalMode.md
+++ b/docs/zh_CN/TrainingService/LocalMode.md
@@ -57,7 +57,7 @@
    }
-参考 [SearchSpaceSpec.md](../Tutorial/SearchSpaceSpec.md) 进一步了解搜索空间。
+参考[定义搜索空间](../Tutorial/SearchSpaceSpec.md)进一步了解。
 > 第三步：定义 Experiment
 > 

--- a/docs/zh_CN/TrainingService/PaiMode.md
+++ b/docs/zh_CN/TrainingService/PaiMode.md
@@ -57,7 +57,7 @@ paiConfig:
 * shmMB 
    * 可选。 设置 OpenPAI 的 shmMB，即 Docker 中的共享内存。
 * authFile 
-    * 可选，设置在使用 OpenPAI 时的私有 Docker 认证文件路径。[参考文档](https://github.com/microsoft/pai/blob/2ea69b45faa018662bc164ed7733f6fdbb4c42b3/docs/faq.md#q-how-to-use-private-docker-registry-job-image-when-submitting-an-openpai-job)。
+    * 可选。在使用 pai 模式时，为私有 Docker 仓库设置认证文件，[见参考文档](https://github.com/microsoft/pai/blob/2ea69b45faa018662bc164ed7733f6fdbb4c42b3/docs/faq.md#q-how-to-use-private-docker-registry-job-image-when-submitting-an-openpai-job)。提供 authFile 的本地路径即可， NNI 会上传此文件。
 完成并保存 NNI Experiment 配置文件后（例如可保存为：exp_pai.yml），运行以下命令：

--- a/docs/zh_CN/TrainingService/SupportTrainingService.md
+++ b/docs/zh_CN/TrainingService/SupportTrainingService.md
+# 训练平台
+NNI 为 Trial 任务实现了训练平台。 NNI 支持[本机](./LocalMode.md), [远程](./RemoteMachineMode.md), [OpenPAI](./PaiMode.md), [Kubeflow](./KubeflowMode.md) 和 [FrameworkController](./FrameworkControllerMode.md) 这些内置的训练平台。  
+NNI 不仅提供了这些内置的训练平台，还提供了轻松连接自己训练平台的方法。
+## 内置训练平台
+| 训练平台                                                    | 简介                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                                     |
+| ------------------------------------------------------- | -------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |
+| [**本机**](./LocalMode.md)                                | NNI 支持在本机运行实验，称为 local 模式。 local 模式表示 NNI 会在运行 NNI Manager 进程计算机上运行 Trial 任务，支持 GPU 调度功能。                                                                                                                                                                                                                                                                                                                                                                                                                                              |
+| [**远程计算机**](./RemoteMachineMode.md)                     | NNI 支持通过 SSH 通道在多台计算机上运行 Experiment，称为 remote 模式。 NNI 需要这些计算机的访问权限，并假定已配置好了深度学习训练环境。 NNI 将在远程计算机上中提交 Trial 任务，并根据 GPU 资源调度 Trial 任务。                                                                                                                                                                                                                                                                                                                                                                                                   |
+| [**OpenPAI**](./PaiMode.md)                             | NNI 支持在 [OpenPAI](https://github.com/Microsoft/pai) （简称 pai）上运行 Experiment，即 pai 模式。 在使用 NNI 的 pai 模式前, 需要有 [OpenPAI](https://github.com/Microsoft/pai) 群集及其账户。 如果没有 OpenPAI，参考[这里](https://github.com/Microsoft/pai#how-to-deploy)来进行部署。 在 pai 模式中，会在 Docker 创建的容器中运行 Trial 程序。                                                                                                                                                                                                                                                       |
+| [**Kubeflow**](./KubeflowMode.md)                       | NNI 支持在 [Kubeflow](https://github.com/kubeflow/kubeflow)上运行，称为 kubeflow 模式。 在开始使用 NNI 的 Kubeflow 模式前，需要有一个 Kubernetes 集群，可以是私有部署的，或者是 [Azure Kubernetes Service(AKS)](https://azure.microsoft.com/zh-cn/services/kubernetes-service/)，并需要一台配置好 [kubeconfig](https://kubernetes.io/docs/concepts/configuration/organize-cluster-access-kubeconfig/) 的 Ubuntu 计算机连接到此 Kubernetes 集群。 如果不熟悉 Kubernetes，可先浏览[这里](https://kubernetes.io/docs/tutorials/kubernetes-basics/)。 在 kubeflow 模式下，每个 Trial 程序会在 Kubernetes 集群中作为一个 Kubeflow 作业来运行。 |
+| [**FrameworkController**](./FrameworkControllerMode.md) | NNI 支持使用 [FrameworkController](https://github.com/Microsoft/frameworkcontroller)，来运行 Experiment，称之为 frameworkcontroller 模式。 FrameworkController 构建于 Kubernetes 上，用于编排各种应用。这样，可以不用为某个深度学习框架安装 Kubeflow 的 tf-operator 或 pytorch-operator 等。 而直接用 FrameworkController 作为 NNI Experiment 的训练平台。                                                                                                                                                                                                                                            |
+## 实现训练平台
+TrainingService 在设计上为了便于实现，将平台相关的公共属性抽象成类。用户只需要继承这个抽象类，并根据平台特点实现子类，便能够实现 TrainingService。  
+TrainingService 的声明如下：
+    abstract class TrainingService {
+        public abstract listTrialJobs(): Promise<TrialJobDetail[]>;
+        public abstract getTrialJob(trialJobId: string): Promise<TrialJobDetail>;
+        public abstract addTrialJobMetricListener(listener: (metric: TrialJobMetric) => void): void;
+        public abstract removeTrialJobMetricListener(listener: (metric: TrialJobMetric) => void): void;
+        public abstract submitTrialJob(form: JobApplicationForm): Promise<TrialJobDetail>;
+        public abstract updateTrialJob(trialJobId: string, form: JobApplicationForm): Promise<TrialJobDetail>;
+        public abstract get isMultiPhaseJobSupported(): boolean;
+        public abstract cancelTrialJob(trialJobId: string, isEarlyStopped?: boolean): Promise<void>;
+        public abstract setClusterMetadata(key: string, value: string): Promise<void>;
+        public abstract getClusterMetadata(key: string): Promise<string>;
+        public abstract cleanUp(): Promise<void>;
+        public abstract run(): Promise<void>;
+    }
+TrainingService 的父类有一些抽象函数，用户需要继承父类并实现所有这些抽象函数。  
+有关如何实现 TrainingService 的更多信息，[参考这里](HowToImplementTrainingService.md)。
\ No newline at end of file
--- a/docs/zh_CN/Tutorial/Nnictl.md
+++ b/docs/zh_CN/Tutorial/Nnictl.md
@@ -123,6 +123,7 @@ nnictl 支持的命令：
  | ---------- | ----- | --- | -------------------------------- |
  | id         | False |     | 要停止的 Experiment 标识               |
  | --port, -p | False |     | 要停止的 Experiment 使用的 RESTful 服务端口 |
+  | --all, -a  | False |     | 停止所有 Experiment                  |
 * 详细信息及样例
@@ -147,10 +148,10 @@ nnictl 支持的命令：
        ```
-  4. 可使用 'nnictl stop all' 来停止所有的 Experiment。
+  4. 可使用 'nnictl stop --all' 来停止所有的 Experiment。
        ```bash
-        nnictl stop all
+        nnictl stop --all
        ```

--- a/docs/zh_CN/Tutorial/SearchSpaceSpec.md
+++ b/docs/zh_CN/Tutorial/SearchSpaceSpec.md
@@ -10,11 +10,11 @@
 ```yaml
 {
-    "dropout_rate":{"_type":"uniform","_value":[0.1,0.5]},
+    "dropout_rate": {"_type": "uniform", "_value": [0.1, 0.5]},
-    "conv_size":{"_type":"choice","_value":[2,3,5,7]},
+    "conv_size": {"_type": "choice", "_value": [2, 3, 5, 7]},
-    "hidden_size":{"_type":"choice","_value":[124, 512, 1024]},
+    "hidden_size": {"_type": "choice", "_value": [124, 512, 1024]},
-    "batch_size":{"_type":"choice","_value":[50, 250, 500]},
+    "batch_size": {"_type": "choice", "_value": [50, 250, 500]},
-    "learning_rate":{"_type":"uniform","_value":[0.0001, 0.1]}
+    "learning_rate": {"_type": "uniform", "_value": [0.0001, 0.1]}
 }
 ```
@@ -25,61 +25,60 @@
 所有采样策略和参数如下：
-* {"_type":"choice","_value":options}
+* `{"_type": "choice", "_value": options}`
-  * 表示变量的值是选项之一。 这里的 'options' 是一个数组。 选项的每个元素都是字符串。 也可以是嵌套的子搜索空间。此子搜索空间仅在相应的元素选中后才起作用。 该子搜索空间中的变量可看作是条件变量。
+  * 表示变量的值是选项之一。 这里的 `options` 应该是字符串或数值的列表。 可将任意对象（如子数组，数字与字符串的混合值或者空值）存入此数组中，但可能会产生不可预料的行为。
+  * `options` 也可以是嵌套的子搜索空间。此子搜索空间仅在相应的元素选中后才起作用。 该子搜索空间中的变量可看作是条件变量。 <a [嵌套搜索空间的简单示例](https://github.com/microsoft/nni/tree/master/examples/trials/mnist-nested-search-space/search_space.json)。 如果选项列表中的元素是 dict，则它是一个子搜索空间，对于内置的 Tuner，必须在此 dict 中添加键 `_name`，这有助于标识选中的元素。 相应的，这是使用从 NNI 获得的嵌套搜索空间的[示例](https://github.com/microsoft/nni/tree/master/examples/trials/mnist-nested-search-space/sample.json)。 以下 Tuner 支持嵌套搜索空间：
-  * [nested] 搜索空间定义的简单[示例](https://github.com/microsoft/nni/tree/master/examples/trials/mnist-nested-search-space/search_space.json)。 如果选项列表中的元素是 dict，则它是一个子搜索空间，对于内置的 Tuner，必须在此 dict 中添加键 “_name”，这有助于标识选中的元素。 相应的，这是使用从 NNI 获得的嵌套搜索空间的[示例](https://github.com/microsoft/nni/tree/master/examples/trials/mnist-nested-search-space/sample.json)。 以下 Tuner 支持嵌套搜索空间：
    * Random Search（随机搜索） 
    * TPE
    * Anneal（退火算法）
    * Evolution
-* {"_type":"randint","_value":[lower, upper]}
+* `{"_type": "randint", "_value": [lower, upper]}`
-  * 当前实现的是 "quniform" 的 "randint" 分布，随机变量的分布函数是 round(uniform(lower, upper))。 所选择值的类型是 float。 如果要使用整数，需要显式转换。
+  * 从 `lower` (包含) 到 `upper` (不包含) 中选择一个随机整数。
+  * 注意：不同 Tuner 可能对 `randint` 有不同的实现。 一些 Tuner（例如，TPE，GridSearch）将从低到高无序选择，而其它一些（例如，SMAC）则有顺序。 如果希望所有 Tuner 都有序，可使用 `quniform` 并设置 `q=1`。
-* {"_type":"uniform","_value":[low, high]}
+* `{"_type": "uniform", "_value": [low, high]}`
  * 变量是 low 和 high 之间均匀分布的值。
  * 当优化时，此变量值会在两侧区间内。
-* {"_type":"quniform","_value":[low, high, q]}
+* `{"_type": "quniform", "_value": [low, high, q]}`
-  * 变量值为 clip(round(uniform(low, high) / q) * q, low, high)，clip 操作用于约束生成值的边界。 例如，_value 为 [0, 10, 2.5]，可取的值为 [0, 2.5, 5.0, 7.5, 10.0]; _value 为 [2, 10, 5]，可取的值为 [2, 5, 10]。
+  * 变量值为 `clip(round(uniform(low, high) / q) * q, low, high)`，clip 操作用于约束生成值的边界。 例如，`_value` 为 [0, 10, 2.5]，可取的值为 [0, 2.5, 5.0, 7.5, 10.0]; `_value` 为 [2, 10, 5]，可取的值为 [2, 5, 10]。
  * 适用于离散，同时反映了某种"平滑"的数值，但上下限都有限制。 如果需要从范围 [low, high] 中均匀选择整数，可以如下定义 `_value`：`[low, high, 1]`。
-* {"_type":"loguniform","_value":[low, high]}
+* `{"_type": "loguniform", "_value": [low, high]}`
  * 变量值在范围 [low, high] 中是 loguniform 分布，如 exp(uniform(log(low), log(high)))，因此返回值是对数均匀分布的。
  * 当优化时，此变量必须是正数。
-* {"_type":"qloguniform","_value":[low, high, q]}
+* `{"_type": "qloguniform", "_value": [low, high, q]}`
-  * 变量值为 clip(round(loguniform(low, high) / q) * q, low, high)，clip 操作用于约束生成值的边界。
+  * 变量值为 `clip(round(loguniform(low, high) / q) * q, low, high)`，clip 操作用于约束生成值的边界。
  * 适用于值是“平滑”的离散变量，但上下限均有限制。
-* {"_type":"normal","_value":[mu, sigma]}
+* `{"_type": "normal", "_value": [mu, sigma]}`
  * 变量值为实数，且为正态分布，均值为 mu，标准方差为 sigma。 优化时，此变量不受约束。
-* {"_type":"qnormal","_value":[mu, sigma, q]}
+* `{"_type": "qnormal", "_value": [mu, sigma, q]}`
-  * 这表示变量值会类似于 round(normal(mu, sigma) / q) * q
+  * 这表示变量值会类似于 `round(normal(mu, sigma) / q) * q`
  * 适用于在 mu 周围的离散变量，且没有上下限限制。
-* {"_type":"lognormal","_value":[mu, sigma]}
+* `{"_type": "lognormal", "_value": [mu, sigma]}`
-  * 变量值为 exp(normal(mu, sigma)) 分布，范围值是对数的正态分布。 当优化时，此变量必须是正数。
+  * 变量值为 `exp(normal(mu, sigma))` 分布，范围值是对数的正态分布。 当优化时，此变量必须是正数。
-* {"_type":"qlognormal","_value":[mu, sigma, q]}
+* `{"_type": "qlognormal", "_value": [mu, sigma, q]}`
-  * 这表示变量值会类似于 round(exp(normal(mu, sigma)) / q) * q
+  * 这表示变量值会类似于 `round(exp(normal(mu, sigma)) / q) * q`
  * 适用于值是“平滑”的离散变量，但某一边有界。
-* {"_type":"mutable_layer","_value":{mutable_layer_infomation}}
+* `{"_type": "mutable_layer", "_value": {mutable_layer_infomation}}`
  * [神经网络架构搜索空间](../AdvancedFeature/GeneralNasInterfaces.md)的类型。 值是字典类型，键值对表示每个 mutable_layer 的名称和搜索空间。
  * 当前，只能通过 Annotation 来使用这种类型的搜索空间。因此不需要为搜索空间定义 JSON 文件，它会通过 Trial 中的 Annotation 自动生成。

--- a/docs/zh_CN/Tutorial/WebUI.md
+++ b/docs/zh_CN/Tutorial/WebUI.md
@@ -12,7 +12,7 @@
 ![](../../img/webui-img/refresh-interval.png)
-* 支持查看并下载 Experiment 结果，以及 NNI Manager、Dispatcher 的日志文件。
+* "View" 按钮支持查看并下载 Experiment 结果，以及 NNI Manager、Dispatcher 的日志文件。
 ![](../../img/webui-img/download.png)
@@ -53,13 +53,11 @@
 ![](../../img/webui-img/trials_intermeidate.png)
-由于训练中可能有非常多的中间结果，因此中间结果图提供了过滤功能。 如果要使用过滤按钮查看部分 Trial，则需要提供数据。
+Trial 可能在训练过程中有大量中间结果。 为了更清楚的理解一些 Trial 的趋势，可以为中间结果图设置过滤。
-第一个输入框应该填入什么？ 可能会发现一个 Trial 的中间结果点变得更好或者更差。 换句话说，这可能是非常重要的中间结果点。 只需将其输入第一个输入框中。
+这样可以发现 Trial 在某个中间结果上会变得更好或更差。 换句话说，这是一个重要的中间结果。 如果要仔细查看这个点，可以在 #Intermediate 中输入其横坐标。
-选择了中间结果序号后，要输入需要了解的该中间结果序号的指标范围。 即其最小值和最大值。 如此图中，中间结果点为 9，指标范围为 60 至 80。
+并输入这个中间结果的指标范围。 如下图所示，选择了第 4 个中间结果， 并将指标范围设置为了 0.8 -1。
-Trial 中指标范围在 20 至 60 的 13 个结果就被过滤掉了。
 ![](../../img/webui-img/filter-intermediate.png)

--- a/docs/zh_CN/conf.py
+++ b/docs/zh_CN/conf.py
@@ -28,7 +28,7 @@ author = 'Microsoft'
 # The short X.Y version
 version = ''
 # The full version, including alpha/beta/rc tags
-release = 'v0.7'
+release = 'v1.0'
 # -- General configuration ---------------------------------------------------